Introducción
La estadística es una disciplina fascinante que ha evolucionado desde simples conteos en la antigüedad hasta convertirse en una herramienta esencial en la ciencia moderna. Su historia está llena de personajes brillantes, descubrimientos revolucionarios y aplicaciones prácticas que han transformado nuestra comprensión del mundo. En este artículo, exploraremos cómo la estadística pasó de ser una teoría abstracta a una práctica indispensable en campos como la medicina, la economía y la inteligencia artificial. Si te interesa profundizar en conceptos básicos, puedes revisar nuestro artículo sobre Introducción a la Aritmética.
Orígenes de la Estadística
Los primeros registros estadísticos se remontan a civilizaciones antiguas como Egipto y Babilonia, donde se realizaban censos para recaudar impuestos. Sin embargo, fue en el siglo XVII cuando la estadística comenzó a tomar forma como disciplina científica.
Ejemplo: Los primeros censos
En el Libro de los Números de la Biblia, se describe un censo realizado por Moisés para contar a los israelitas. Este es uno de los primeros ejemplos documentados de recolección de datos.
Desarrollo de la Probabilidad
El estudio de la probabilidad surgió en el siglo XVII con Pascal y Fermat, quienes desarrollaron teorías para resolver problemas de juegos de azar. Más tarde, Jacob Bernoulli formuló la Ley de los Grandes Números.
Teorema 1: Ley de los Grandes Números
Sea $X_1, X_2, …, X_n$ una secuencia de variables aleatorias independientes e idénticamente distribuidas con media $\mu$. Entonces:
$$ \frac{X_1 + X_2 + \cdots + X_n}{n} \xrightarrow{P} \mu \quad \text{cuando} \quad n \to \infty $$
Demostración:
Usando la desigualdad de Chebyshev, podemos mostrar que para cualquier $\epsilon > 0$:
$$ P\left(\left|\frac{S_n}{n} – \mu\right| \geq \epsilon\right) \leq \frac{\sigma^2}{n\epsilon^2} \to 0 $$
donde $S_n = X_1 + \cdots + X_n$ y $\sigma^2$ es la varianza común.
Estadística Inferencial
En el siglo XX, Ronald Fisher y otros desarrollaron la estadística inferencial, permitiendo hacer conclusiones sobre poblaciones a partir de muestras.
Teorema 2: Teorema Central del Límite
Sea $X_1, X_2, …, X_n$ una secuencia de variables aleatorias independientes e idénticamente distribuidas con media $\mu$ y varianza $\sigma^2$. Entonces:
$$ \frac{\sqrt{n}(\bar{X}_n – \mu)}{\sigma} \xrightarrow{d} N(0,1) $$
Demostración:
Usando funciones características, mostramos que la función característica de la suma estandarizada converge a la de una normal estándar.
Ejercicios Resueltos
Ejercicio 1: Cálculo de Probabilidad
Si lanzamos un dado justo 60 veces, ¿cuál es la probabilidad de que el número de veces que sale un 6 esté entre 8 y 12?
Solución:
Usamos la aproximación normal a la binomial con $n=60$, $p=1/6$:
1. Calculamos media $\mu = np = 10$
2. Varianza $\sigma^2 = np(1-p) = 25/3$
3. Estandarizamos: $P(8 \leq X \leq 12) \approx P(-0.69 \leq Z \leq 0.69) \approx 0.51$
Ejercicio 2: Intervalo de Confianza
En una muestra de 100 personas, 45 apoyan una medida. Calcula un intervalo de confianza del 95% para la proporción poblacional.
Solución:
1. Proporción muestral $\hat{p} = 0.45$
2. Error estándar $SE = \sqrt{\frac{0.45 \times 0.55}{100}} \approx 0.05$
3. Valor crítico $z_{0.025} \approx 1.96$
4. Intervalo: $0.45 \pm 1.96 \times 0.05 \approx (0.352, 0.548)$
Aplicaciones Prácticas
La estadística moderna tiene aplicaciones en:
- Medicina: Diseño de ensayos clínicos
- Economía: Predicción de mercados
- Machine Learning: Algoritmos de clasificación
- Control de calidad: Gráficos de control
Para entender mejor cómo se aplica en economía, te recomendamos nuestro artículo sobre Estadística Económica.
Estadística Bayesiana
Un enfoque alternativo que ha ganado popularidad recientemente es la estadística bayesiana.
Teorema 3: Teorema de Bayes
Para dos eventos $A$ y $B$ con $P(B) > 0$:
$$ P(A|B) = \frac{P(B|A)P(A)}{P(B)} $$
Demostración:
Por definición de probabilidad condicional:
$$ P(A|B) = \frac{P(A \cap B)}{P(B)} = \frac{P(B|A)P(A)}{P(B)} $$
Más Ejercicios
Ejercicio 3: Regresión Lineal
Dados los puntos (1,2), (2,3), (3,5), encuentra la recta de regresión por mínimos cuadrados.
Solución:
1. Calculamos medias: $\bar{x} = 2$, $\bar{y} = 10/3$
2. Covarianza $S_{xy} = \frac{(1-2)(2-10/3) + \cdots}{2} = 1.5$
3. Varianza $S_{xx} = \frac{(1-2)^2 + \cdots}{2} = 1$
4. Pendiente $b = S_{xy}/S_{xx} = 1.5$
5. Intercepto $a = \bar{y} – b\bar{x} \approx 0.833$
Ecuación: $y = 1.5x + 0.833$
Conclusión
La estadística ha evolucionado desde simples conteos hasta convertirse en una poderosa herramienta científica. Hemos visto:
- Sus orígenes en censos antiguos
- El desarrollo de la teoría de probabilidad
- Teoremas fundamentales como la Ley de los Grandes Números
- Aplicaciones prácticas en diversos campos
Hoy, en la era del big data, la estadística es más relevante que nunca, permitiéndonos extraer conocimiento de los datos y tomar decisiones informadas.
«`